Zerox：OCR神器来了！

随着信息化的推进，越来越多的企业和个人在工作上需要处理大量的文档。然而，这些文档形式多样，可能包括PDF、扫描文件、图片等，且布局复杂，包含表格、图表等信息。手动处理这些文档不仅耗时耗力，还容易出错。这时，一款功能强大的OCR工具就显得尤为重要。

今天给大家分享的是一款具备AI功能的OCR开源神器：Zerox。Zerox能够将20多种文档通过AI扫描，并转换成Markdown格式的文本。它不仅能扫描文本，还能扫描表格，图表等。

Zerox

https://github.com/getomni-ai/zerox

是一款基于AI视觉模型的开源OCR工具，由Omni-AI团队开发，能将PDF、DOCX、图片等20多种格式的文档转换为结构化的Markdown文本。其核心创新在于跳过传统OCR引擎，直接将文档页面转为图像供GPT-4o-mini等AI模型识别，特别擅长处理复杂表格、手写体和分栏排版。相比传统工具，它无需训练数据即可实现高精度识别，支持Node/Python双语言调用，处理单页成本约0.01美元，GitHub星标超9.4K。典型应用场景包括法律合同解析、学术论文整理，尤其适合需要保留原文结构的二次编辑需求。这种方法对于处理具有不规则布局、表格、图表等复杂版式的文档有着天然的优势，因为AI模型能更好地理解文档的视觉逻辑。

Zerox 首先将输入的文档转换为一系列图像。对于 PDF、DOCX 等文件，Zerox 使用 Ghostscript 和 GraphicsMagick 等专业工具将其转换为高质量的图像。支持超过20种文档格式，包括常见的PDF、DOCX、PPTX、HTML以及各种图片格式，甚至可以利用LibreOffice进行格式转换，覆盖面广。对于图像文件，Zerox 直接使用原始图像。

不仅支持OpenAI的GPT-4系列视觉模型，还兼容Azure OpenAI、AWS Bedrock（Claude模型）、Google Gemini等多种主流模型平台，灵活性强。Zerox 将每个图像传递给 GPT-4O，并使用特定的 prompt 请求 GPT-4O 将图像转换为 Markdown。GPT-4O 会根据图像中的内容和布局，生成相应的 Markdown 文本。例如，如果图像中包含一个表格，GPT-4O 会将其转换为 Markdown 表格。

处理后的文本以Markdown格式返回。Markdown格式简洁明了，既保留了文本的基本格式，又便于后续的编辑和使用。用户可以轻松地对输出的文本进行进一步的整理、分析和排版，满足不同的需求。

Zerox 通过结合 GPT-4o-mini 模型和高效的工作流程，为用户提供了一种简单、快捷的文档信息提取工具。它不仅支持多种格式和复杂布局的文档处理，还能输出简洁的Markdown格式，为用户提供了更灵活的文档编辑和使用方式。无论你是企业用户、学术研究者，还是内容创作者，Zerox OCR都能为你的工作带来巨大的便利和提升。如果你正在寻找一个功能强大、操作简便的OCR工具，Zerox无疑是一个值得尝试的选择。